人工智能原理及其应用 第3版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能原理及其应用 第3版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 人工智能概述1

1.1人工智能的基本概念1

1.1.1智能的概念1

1.1.2人工智能的概念3

1.1.3人工智能的研究目标3

1.2人工智能的产生与发展4

1.2.1孕育期4

1.2.2形成期4

1.2.3知识应用期5

1.2.4从学派分立走向综合6

1.2.5智能科学技术学科的兴起6

1.3人工智能研究的基本内容7

1.3.1与脑科学和认知科学的交叉研究7

1.3.2智能模拟的方法和技术研究8

1.4人工智能研究中的不同学派8

1.4.1符号主义9

1.4.2联结主义9

1.4.3行为主义10

1.5人工智能的研究和应用领域10

1.5.1机器思维10

1.5.2机器学习11

1.5.3机器感知13

1.5.4机器行为14

1.5.5计算智能15

1.5.6分布智能16

1.5.7智能系统16

1.5.8人工心理与人工情感17

1.5.9人工智能的典型应用17

1.6人工智能的现状与思考19

习题121

第2章 确定性知识系统22

2.1确定性知识系统概述22

2.1.1确定性知识表示概述22

2.1.2确定性知识推理概述24

2.2确定性知识表示方法26

2.2.1谓词逻辑表示法26

2.2.2产生式表示法33

2.2.3语义网络表示法34

2.2.4框架表示法40

2.3确定性知识推理方法47

2.3.1产生式推理47

2.3.2自然演绎推理52

2.3.3归结演绎推理55

2.4确定性知识系统简例65

2.4.1产生式系统简例65

2.4.2归结演绎系统简例67

习题269

第3章 搜索策略72

3.1搜索概述72

3.1.1搜索的含义72

3.1.2状态空间问题求解方法72

3.1.3问题归约求解方法76

3.2搜索的盲目策略78

3.2.1状态空间的盲目搜索78

3.2.2代价树的盲目搜索80

3.3状态空间的启发式搜索81

3.3.1启发性信息和估价函数82

3.3.2 A算法82

3.3.3 A算法84

3.3.4 A算法应用举例88

3.4与/或树的启发式搜索89

3.4.1解树的代价与希望树89

3.4.2与/或树的启发式搜索过程90

3.5博弈树的启发式搜索92

3.5.1概述92

3.5.2极大/极小过程93

3.5.3 α-β剪枝93

习题395

第4章 计算智能97

4.1计算智能概述97

4.1.1什么是计算智能97

4.1.2计算智能的产生与发展97

4.1.3计算智能与人工智能的关系98

4.2神经计算98

4.2.1神经计算基础99

4.2.2人工神经网络的互联结构102

4.2.3人工神经网络的典型模型104

4.3进化计算108

4.3.1进化计算概述108

4.3.2遗传算法112

4.4模糊计算123

4.4.1模糊集及其运算123

4.4.2模糊关系及其运算126

4.5粗糙集128

4.5.1粗糙集概述128

4.5.2粗糙集的基本理论128

4.5.3决策表的约简131

习题4135

第5章 不确定性推理137

5.1不确定性推理概述137

5.1.1不确定性推理的含义137

5.1.2不确定性推理的基本问题138

5.1.3不确定性推理的类型139

5.2可信度推理139

5.2.1可信度的概念140

5.2.2可信度推理模型140

5.2.3可信度推理的例子144

5.3主观Bayes推理145

5.3.1主观Bayes方法的概率论基础145

5.3.2主观Bayes方法的推理模型146

5.3.3主观Bayes推理的例子150

5.3.4主观Bayes推理的特性152

5.4证据理论152

5.4.1证据理论的形式化描述152

5.4.2证据理论的推理模型156

5.4.3推理实例157

5.4.4证据理论推理的特性159

5.5模糊推理159

5.5.1模糊知识表示159

5.5.2模糊概念的匹配161

5.5.3模糊推理的方法162

5.6概率推理166

5.6.1贝叶斯网络的概念及理论166

5.6.2贝叶斯网络推理的概念和类型169

5.6.3贝叶斯网络的精确推理170

5.6.4贝叶斯网络的近似推理171

习题5172

第6章 符号学习175

6.1符号学习概述175

6.1.1学习的概念175

6.1.2机器学习的概念176

6.1.3符号学习系统的基本模型178

6.2记忆学习179

6.3示例学习180

6.3.1示例学习的类型181

6.3.2示例学习的模型181

6.3.3示例学习的归纳方法183

6.4决策树学习184

6.4.1决策树的概念184

6.4.2ID3算法185

6.5统计学习188

6.5.1小样本统计学习理论188

6.5.2支持向量机190

习题6195

第7章 联结学习196

7.1联结学习概述196

7.1.1联结学习的生理学基础196

7.1.2联结学习规则197

7.2感知器学习198

7.2.1单层感知器学习算法198

7.2.2单层感知器学习的例子199

7.2.3多层感知器学习问题200

7.3BP网络学习201

7.3.1 BP网络学习的基础201

7.3.2 BP算法的传播公式202

7.3.3 BP网络学习算法205

7.3.4 BP网络学习的讨论206

7.4Hopfield网络学习206

7.4.1 Hopfield网络的能量函数206

7.4.2 Hopfield网络学习算法207

习题7208

第8章 分布智能209

8.1分布智能概述209

8.1.1分布智能的概念209

8.1.2分布式问题求解210

8.1.3多Agent系统211

8.2 Agent的结构213

8.2.1 Agent的机理213

8.2.2反应Agent的结构214

8.2.3认知Agent的结构214

8.2.4混合Agent的结构215

8.3多Agent系统215

8.3.1 Agent通信215

8.3.2多Agent合作220

8.4移动Agent226

8.4.1移动Agent系统的一般结构226

8.4.2移动Agent的实现技术及应用227

习题8229

第9章 智能应用简介230

9.1自然语言理解简介230

9.1.1自然语言理解的基本概念230

9.1.2词法分析232

9.1.3句法分析233

9.1.4语义分析237

9.2专家系统简介239

9.2.1专家系统概述239

9.2.2基于规则和基于框架的专家系统243

9.2.3模糊专家系统和神经网络专家系统245

9.2.4基于Web的专家系统247

9.2.5分布式和协同式专家系统248

9.2.6专家系统的开发250

习题9255

附录A人工智能课程实验大纲257

A.1分章实验257

分章实验1简单动物识别系统的知识表示（第2章）257

分章实验2简单动物识别系统的推理（第2章）257

分章实验3简单的一字棋游戏（第3章）258

分章实验4简单的遗传优化（第4章）258

分章实验5简单的可信度推理（第5章）258

分章实验6简单的单层感知器分类（第7章）259

A.2综合实验259

综合实验1智能五子棋游戏259

综合实验2基于BP网络的预测或评价系统259

综合实验3基于Web的不确定推理专家系统260

参考文献261